研究亮点
这项回顾性研究将经验证的深度学习模型应用于 6591 例接受机械通气的成人胸部X线片，以识别急性呼吸窘迫综合征（Acute Respiratory Distress Syndrome，ARDS）的影像学特征。所得 ARDS-CXR 评分可在传统临床指标（如 PaO2/FiO2 比值和 APACHE-IV 疾病严重程度评分）之外，进一步分层预测 28 天死亡风险。较高的 ARDS-CXR 评分与更高死亡率及更长拔管时间独立相关，提示基于AI的影像分析有望增强ARDS的临床预后评估。
研究背景
急性呼吸窘迫综合征（ARDS）是急性肺损伤的常见且严重表现，其特征为双侧肺浸润影和低氧血症。对于重症患者而言，ARDS 常是实施有创机械通气的重要指征，并与较高病死率和较长重症监护病房（ICU）住院时间相关。ARDS 的临床定义，包括柏林定义，主要依据低氧血症严重程度、胸部X线显示的双侧浸润影以及排除心力衰竭。然而，胸部X线判读存在观察者间差异，且 PaO2/FiO2 比值等传统生理指标并不能充分反映肺损伤的异质性或严重程度。
近年来，人工智能（Artificial Intelligence，AI）尤其是深度学习的进展，使得对影像数据进行自动化、客观化评估成为可能，可用于识别提示ARDS的影像模式。该技术有望通过提供可重复的肺损伤量化结果，补充生理测量和严重程度评分，从而改善风险分层并辅助临床决策。然而，关于AI识别出的ARDS影像学表现是否能够独立预测患者结局的证据仍然有限。
研究设计
本研究为单中心、学术医疗中心开展的回顾性队列分析。纳入对象为在开始有创机械通气时接受胸部X线检查的成人患者。数据集共包括 6591 例接受机械通气的患者，其胸部X线片经既往已验证的深度学习模型处理，该模型用于识别与ARDS影像学诊断一致的双侧肺野气腔不透明影（bilateral airspace opacities）。
该模型生成与ARDS存在概率对应的 ARDS-CXR 评分。主要终点为 28 天死亡率和拔管时间。次要分析比较了 ARDS-CXR 评分与既定临床指标（包括 PaO2/FiO2 比值和急性生理与慢性健康评分（Acute Physiology and Chronic Health Evaluation-IV，APACHE-IV））之间的预测区分能力。采用多变量 Cox 比例风险模型和Logistic回归模型，并对这些临床协变量进行调整，以评估 ARDS-CXR 评分与结局之间的独立关联。
主要发现
该队列的 ARDS-CXR 评分中位数为 -2.09，对应约 15% 的ARDS概率。共有 1089 例患者（17%）的 ARDS-CXR 评分为阳性，提示ARDS存在概率超过 50%。28 天死亡率在 ARDS-CXR 阳性患者中明显更高（35.1%），而阴性患者为 13.5%。值得注意的是，即使低于阳性阈值的 ARDS-CXR 评分也可对死亡风险进行分层，且当评分从 -2 提高至 0 时，死亡率呈逐步上升趋势。
性能指标显示，ARDS-CXR 评分预测 28 天死亡率的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUROC）为 0.68（95% CI，0.66–0.70），优于 PaO2/FiO2 的 AUROC 0.64（95% CI，0.62–0.66）。在校正 PaO2/FiO2 或 APACHE-IV 评分后，ARDS-CXR 评分每增加 1 分，均与 28 天死亡几率升高及拔管时间延长显著相关，凸显其独立预测价值。
研究结果提示，基于深度学习的定量影像评估不仅能够重新归类传统上按其他标准被视为ARDS阴性的患者，还可识别出与临床结局相关的连续严重程度谱系。这表明，AI 导出的影像生物标志物可能捕捉到氧合指标或一般疾病评分未能充分反映的病理生理特征。
专家点评
利用机器学习算法从胸部X线片中提取具有预后意义的特征，是重症医学领域的一项重要进展。本研究表明，AI 可通过提供客观、可重复的肺损伤严重程度测量，增强胸部影像的诊断与预测价值。ARDS-CXR 评分与死亡率及脱机/拔除气管插管（ventilator liberation）之间的独立关联，凸显了其在临床决策、预后判断及科研试验患者分层中的潜在作用。
不过，仍需注意若干问题。该分析为回顾性且单中心研究，可能限制其外推性。仍需在多中心前瞻性队列中进行验证。此外，将AI生成的影像评分整合进现有临床工作流程及ARDS定义中，还需谨慎的前瞻性评估，以确定其对治疗决策和临床结局的影响。该模型的可解释性，以及其区分ARDS与其他导致双侧浸润影的病因或合并症的能力，也有待进一步研究。
结论
本研究提供了有力证据：基于深度学习、由标准胸部X线片生成的 ARDS-CXR 评分，能够在传统严重程度指标（如 PaO2/FiO2 比值和 APACHE-IV 评分）之外，独立预测接受机械通气患者的死亡率和拔管时间。该定量影像生物标志物有望增强临床评估、实现更精准的风险分层，并为个体化治疗策略提供依据。
未来研究应聚焦于前瞻性验证、与临床参数的整合，以及探索AI导出的影像学标志物如何优化ARDS定义并指导个体化患者管理。
资助与 ClinicalTrials.gov
原文未报告资助信息或临床试验注册信息。
参考文献
1. Zhong Y, Nuppnau M, Farzaneh N, Ansari S, Sjoding MW. Association of Acute Respiratory Distress Syndrome Radiographic Findings Identified by Machine Learning and Outcomes of Patients Receiving Invasive Mechanical Ventilation. Critical Care Medicine. 2026 Oct 23. PMID: 42919460.
2. ARDS Definition Task Force, Ranieri VM, Rubenfeld GD, et al. Acute respiratory distress syndrome: the Berlin Definition. JAMA. 2012;307(23):2526-2533.
3. Sjoding MW, Allegretti AS, Koyama T, et al. Quantitative Chest X-ray Evaluation and ARDS Prognostication. Am J Respir Crit Care Med. 2020;201(8):1016-1024.
4. Johnson AEW, Pollard TJ, Shen L, et al. MIMIC-III, a freely accessible critical care database. Scientific Data 2016;3:160035.
